T29329
انگلیسی
A new Method for Load Balancing Resource Management of Fog Computing in Healthcare Systems
Dissertation
Hayder Makki Shakir
Mathematics, Statistic and Computer Science
1402
95p.
cd
Ph.D.
Computer Science
1402/06/26
The main suffering of healthcare systems is a huge increasing amount of data and devices. These events increase energy consumption, which causes major problems in access time, data response, and poor security. One way to overcome such problems is using a combination of cloud and fog servers. IoT data is saved and processed in fog centers as well as, fog computing is suitable for tasks that require less time to access the service and high transmission. In addition, IoT devices need a virtual platform instead of central servers for the fog to reduce the amount of energy consumed and increase data transfer speed, and the use of fog computing leads to effective management of resources and load balancing. In this research, we present a new Load Balancing Scheme (LBS) to balance the load among fog nodes when the healthcare system is used on a large scale. we use Pareto SPEA2-based Multi-Objective Genetic Algorithm for assessing energy used by fog nodes which can be utilized to estimate bills in turn via use pricing variable time. Therefore, in this work, we seek to load balancing in the fog computing layer by simultaneously improving both the runtime and energy consumption criteria of the system. We claim that our proposed schema minimize latency and optimal using network resources. To prove the claim, we simulate our solution and compare the results with the cloud-only deployments, Fog Node Placement Algorithm (FNPA), and Load Balancing (LAB) Scheme, in terms of latency and network usage. The result of this research shows underscores the potential of fog computing in addressing the challenges faced by healthcare systems due to the increasing volume of data and devices. Our Load Balancing Scheme (LBS) not only minimizes latency and optimizes network resource utilization but also contributes to energy efficiency and cost-effectiveness. These results highlight the viability and advantages of fog computing in enhancing the performance of healthcare systems on a large scale, ultimately benefiting both healthcare providers and patients.
رنج اصلی سیستم های مراقبت های بهداشتی افزایش حجم عظیمی از داده ها و دستگاه ها است. این رویدادها مصرف انرژی را افزایش می دهد که باعث مشکلات عمده در زمان دسترسی، پاسخ به داده ها و امنیت ضعیف می شود. یکی از راه های غلبه بر چنین مشکلاتی استفاده از ترکیبی از سرورهای ابری و مه است. داده های اینترنت اشیا در مراکز مه ذخیره و پردازش می شوند و همچنین محاسبات مه برای کارهایی که به زمان کمتری برای دسترسی به سرویس و انتقال بالا نیاز دارند، مناسب است. علاوه بر این، دستگاه های اینترنت اشیا به جای سرورهای مرکزی برای مه به یک پلت فرم مجازی نیاز دارند تا میزان انرژی مصرفی را کاهش داده و سرعت انتقال داده را افزایش دهند و استفاده از محاسبات مه منجر به مدیریت موثر منابع و متعادل کردن بار می شود. در این تحقیق، ما یک طرح تعادل بار جدید (LBS) برای متعادل کردن بار در میان گره‌های مه زمانی که سیستم مراقبت‌های بهداشتی در مقیاس بزرگ استفاده می‌شود، ارائه می‌کنیم. ما از الگوریتم ژنتیک چند هدفه مبتنی بر Pareto SPEA2 برای ارزیابی انرژی مورد استفاده توسط گره های مه استفاده می کنیم که می تواند به نوبه خود از طریق زمان متغیر قیمت گذاری برای تخمین صورتحساب ها استفاده شود. بنابراین، در این کار، با بهبود همزمان معیارهای زمان اجرا و مصرف انرژی سیستم، به دنبال متعادل‌سازی بار در لایه محاسباتی مه هستیم. ما ادعا می کنیم که طرح پیشنهادی ما تأخیر و استفاده بهینه از منابع شبکه را به حداقل می رساند. برای اثبات این ادعا، ما راه حل خود را شبیه سازی می کنیم و نتایج را با استقرارهای صرفاً ابری، الگوریتم قرار دادن گره مه (FNPA) و طرح تعادل بار (LAB) از نظر تأخیر و استفاده از شبکه مقایسه می کنیم. نتایج این تحقیق نشان می دهد که بر پتانسیل محاسبات مه در پرداختن به چالش های پیش روی سیستم های مراقبت های بهداشتی به دلیل افزایش حجم داده ها و دستگاه ها تاکید می شود. طرح تعادل بار ما (LBS) نه تنها تأخیر را به حداقل می رساند و استفاده از منابع شبکه را بهینه می کند، بلکه به کارایی انرژی و مقرون به صرفه بودن کمک می کند. این نتایج دوام و مزایای محاسبات مه را در افزایش عملکرد سیستم‌های مراقبت‌های بهداشتی در مقیاس بزرگ نشان می‌دهد که در نهایت به نفع ارائه‌دهندگان مراقبت‌های بهداشتی و بیماران است.
روش جدید جهت مدیریت تعادل بار منابع محاسبات مه در سیستم‌های مراقبت‌های بهداشتی
Internet of things (IoT), fog computing, healthcare, pareto spea2-based multi-objective genetic algorithm, load balancing.
اینترنت اشیا IoT، محاسبات مه، مراقبت های بهداشتی، الگوریتم ژنتیک چند هدفه مبتنی بر پارتو spea2، تعادل بار.
Makki Shakir,
Hayder
Producer
Karimpour,
Razmara,
Jaber
Jafar
Thesis advisor
Consulting advisor
Tabriz
ایران
Central Library of Tabriz University
20231015
دکتری پایاننامه QA76.M3 1402
Hayder Makki Shakir
عبادی
e
TL
276903
a
Y
